functional magnetic resonance imaging
PulseAugur coverage of functional magnetic resonance imaging — every cluster mentioning functional magnetic resonance imaging across labs, papers, and developer communities, ranked by signal.
13 天有情绪数据
-
新的BCI框架利用LLM解码多模态脑信号
研究人员开发了一种新颖的脑机接口（BCI）框架，该框架通过利用多模态大语言模型（MLLMs）从脑信号中解码语言。这种方法将大脑活动与文本、图像和音频对齐，超越了单模态表示。动态路由模块融合了特定于模态的脑部特征，在fMRI、EEG和MEG数据上取得了最先进的性能，在一个通用基准上提高了8.48%。这种统一的架构是同类中的第一个，能够稳健地解码跨越不同信号类型和刺激的多模态脑活动。
-
对抗鲁棒性改进了基于CLIP的脑解码
研究人员探索了使用CLIP（一种视觉-语言模型）对fMRI数据进行脑解码任务。他们研究了对抗鲁棒性表示是否可以提高神经解码性能。通过对CLIP应用对抗训练，研究发现与标准的CLIP表示相比，这些鲁棒变体在任务性能上持续提高，并显示出与大脑活动的更强对齐。这表明对抗鲁棒性可以作为选择脑解码目标表示的宝贵标准。
-
新的RABBiT模型以高精度预测大脑对语音的反应
研究人员开发了RABBiT，这是一种新颖的音频到fMRI编码器，旨在以高精度预测零样本和少样本场景下大脑对语音的反应。该模型通过结合学习到的特定区域注意力并将大脑反应分解为共享和受试者特定成分，显著优于现有的最先进方法和群体平均水平。RABBiT的参数高效调优允许在最少的受试者特定数据的情况下实现显著的性能提升，从而能够对人类大脑中的语言进行更具可扩展性的分析。
-
受大脑启发的扩散模型可从 fMRI 数据重建图像
研究人员开发了 Hi-DREAM，一个新颖的、受大脑启发的层级扩散框架，旨在改进从 fMRI 数据重建自然图像。该方法通过将扩散模型条件化于不同的视觉感兴趣区域 (ROI) 流，来利用视觉皮层的层级组织。通过将这些流转换为多尺度皮层金字塔，并使用 ROI 条件化的 ControlNet，Hi-DREAM 将解剖结构感知的先验知识注入去噪过程。在自然场景数据集 (NSD) 上的实验表明，Hi-DREAM 在保持结构完整性的同时实现了最先…
-
新AI框架BrainPICM增强脑网络分析
研究人员开发了BrainPICM，一个新颖的用于脑网络分析的自监督学习框架。该方法通过考虑大脑网络结构的个体差异来解决现有方法的局限性。BrainPICM采用渐进式、个体化的掩码策略，逐步将潜在的病理区域纳入训练，从而学习稳定的模块化结构和个体变异。该框架还包括一个偏差感知聚合模块，用于量化功能重组，提高可解释性和下游预测准确性。在fMRI数据集上的实验表明，BrainPICM在诊断准确性方面优于当前最先进的方法。
-
BrainRiem框架使用黎曼几何进行隐私保护的脑网络诊断
研究人员开发了BrainRiem，一个用于在不直接访问源数据的情况下跨站点自适应脑网络诊断模型的新颖框架。该方法利用黎曼几何学习紧凑的脑原型，这些原型保持有效的对称正定（SPD）矩阵，从而避免了欧几里得方法中常见的几何失真。通过仅传输这些匿名原型，BrainRiem能够在遵守临床隐私法规的同时，在目标站点训练本地模型，并且性能优于现有的无源和图域自适应技术。
-
fMRI迁移学习揭示多源认知任务关系
研究人员开发了一种新颖的方法，利用fMRI数据分析认知任务之间的关系，将先前的单源迁移学习模型扩展到多源框架。这种新方法利用布尔整数规划（BIP），检查了23个人类连接组项目（Human Connectome Project）的任务状态，并训练了超过一千个特定任务和迁移模型。研究结果表明，运动状态在其自身范式内迁移良好，但对非运动任务的支持有限，这表明存在一个共享的传感运动执行系统。研究还强调，在预算限制下，工作记忆状态会得到优先考虑…
-
新AI模型利用fMRI数据改进阿尔茨海默病预测
研究人员开发了一种新颖的SDE驱动的时空超图神经网络（SDE-HGNN），以改进使用纵向fMRI数据对阿尔茨海默病进展的建模。该框架通过重建连续的潜在轨迹和构建动态超图来捕捉复杂的时间交互作用，解决了不规则数据采样和缺失访视带来的挑战。该模型还通过基于稀疏性的学习机制识别重要的脑区和连接模式。在OASIS-3和ADNI队列上的实验表明，SDE-HGNN在预测AD进展方面优于现有的图和超图方法。
-
新框架Artemis解决神经影像中的人口统计学混淆因素
研究人员开发了Artemis，一个新颖的区域级因果框架，旨在消除多模态神经影像数据中的人口统计学混淆因素。该框架整合了功能性磁共振成像（fMRI）和弥散张量成像（DTI）数据，利用图神经网络（GNNs）分析大脑网络。Artemis解决了年龄和性别系统性影响连接模式的问题，这可能误导GNNs。通过学习区域特定的混淆因素表示，该系统允许在每个大脑区域独立进行因果干预，从而提高神经影像分析的准确性和可解释性。
-
新的混合专家模型框架利用MRI增强创伤后癫痫诊断
研究人员开发了一种新的动态多模态混合专家（MoE）框架，称为DynFS-MoE，以改善创伤后癫痫（PTE）的早期诊断。该框架通过使用时间感知编码和类别条件专家路由来整合功能性和结构性MRI数据。实验结果表明，DynFS-MoE优于静态融合方法，并提供对感兴趣区域相互作用的可解释见解，为PTE诊断和风险分层提供了一种更有效的方法。
-
新AI可从脑部扫描中解码情绪生成情感描述
研究人员开发了EmoMind，一个能够直接从fMRI脑活动生成情感描述的新系统。与以往专注于语义内容或使用离散情绪标签的方法不同，EmoMind从fMRI信号中解码一个连续的34维情感向量。然后，该向量被用来重写语义上基于场景的描述，从而在事实准确性和情感表达之间实现可控的平衡。在生成特定人物的情感描述方面，EmoMind的表现显著优于包括使用情感标签提示的GPT-4在内的现有方法。
-
新的坐标系简化了SPD矩阵计算和生成式建模
研究人员开发了一种名为反向伸缩坐标系的新型坐标系，用于表示对称正定（SPD）矩阵。该系统允许在变换域中更有效地执行涉及矩阵及其逆的计算，将成本从O(p^3)降低到O(p^2)。新方法还通过实现分裂体积-形状流模型来促进生成式建模，并已应用于从fMRI数据生成大脑连接网络等任务。
-
新的fMRI分析框架提高了脑部疾病的检测能力
研究人员开发了一个名为MSFL的新框架，该框架结合了fMRI信号的幅度和相位信息，以提高脑部疾病的检测能力。这种多尺度融合学习方法利用滑动窗口相关性（SWC）进行幅度相关性分析，并利用相位同步性（PS）进行相位相干性分析。在自闭症谱系障碍和重度抑郁症数据集上进行测试时，MSFL与现有模型相比表现出优越的性能，分析表明SWC和PS特征都有助于准确分类。
-
FlexiBrain 框架处理 fMRI 数据，不受分辨率影响
研究人员开发了 FlexiBrain，一种用于处理 fMRI 数据的新型框架，该框架对空间和时间分辨率的变化具有不变性。该方法利用 Mamba-JEPA 主干和动态补丁调整大小来避免破坏性标准化，保留受试者特定的解剖信息。FlexiBrain 在五项神经科学任务中表现出卓越的性能，比现有方法高出 12 个百分点，并显著降低了预处理的计算成本。
-
MindHier框架从fMRI数据重建图像
研究人员开发了MindHier，一个新颖的从fMRI数据重建图像的框架，该框架超越了扩散模型。这种新方法采用逐尺度自回归方法，结合了分层fMRI编码器和带有CLIP特征的逐层对齐方案。MindHier旨在通过在细化局部细节之前合成全局语义来模仿人类视觉感知，与现有的基于扩散的方法相比，推理速度更快，输出更具确定性。
-
新的DD-INR框架加速fMRI重建
研究人员开发了DD-INR，一种用于重建加速采样的功能磁共振成像（fMRI）数据的新型框架。该方法专门解决了恢复细微的任务诱发大脑活动信号的挑战，而这些信号通常被优先考虑空间精度而非时间保真度的传统重建技术所忽略。通过将静态背景信息与动态变化分离，并对后者使用隐式神经表示（INR），DD-INR将计算资源集中在相关的激活上，从而可能提高fMRI研究的灵敏度和鲁棒性。
-
LLM通过连续轨迹分析增强大脑情绪解码
研究人员开发了一个新的框架，利用大型语言模型（LLM）从大脑活动中解码连续的情绪动态。该方法超越了传统的离散分类，采用多目标回归来跟踪随时间变化的重叠情绪维度作为连续轨迹。通过分析fMRI数据中的功能连接，并利用LLM从叙事文本中生成的情感画像，该研究表明动态神经网络交互比静态大脑区域表征更能捕捉情绪状态。
-
Brain2Text模型将fMRI信号解码为图像描述
研究人员开发了一种名为Brain2Text的新型深度学习模型，该模型可以将fMRI信号解码为所观察到的自然图像的文本描述。该模型在没有视觉输入的情况下进行训练，通过生成捕捉复杂场景核心语义内容的有意义的字幕，实现了最先进的语义解码性能。使用此框架进行的神经解剖学分析突出了涉及更高级别视觉皮层以及诸如生命力（animacy）和运动（motion）等特定语义维度在视觉处理中的作用。这项工作为理解语义处理的神经基础提供了一种新颖的方法，并可…
-
新框架模拟数据中复杂的循环交互
研究人员开发了一种新的变分框架，用于分析循环交互，超越了成对效应，以模拟复杂的递归系统。该方法将定向交互表示为单纯复形上的边流，在能量最小化动力学系统下演化，以识别低维循环空间内的稳定递归组织。该框架允许对循环交互进行投影、平均和群体水平统计推断，在模拟中显示出循环结构的改进恢复，并在来自 400 名受试者的大脑功能成像数据中揭示了可重复的大规模循环组织。
-
TRIBE v2模型利用合成数据提升脑部图像解码能力
研究人员开发了一种方法，通过用合成数据增强有限的fMRI数据集来改进脑部图像解码。他们利用TRIBE v2，一个在超过1000小时fMRI响应上训练的大型模型，来生成这些合成数据。在两个数据集上的实验显示，与仅使用真实数据相比，图像检索准确率提高了68%，证明了大型模型在脑部解码任务中提高数据效率的潜力。